توسعه مدل محاسباتي تركيبي بر پايۀ شبكه عصبي مصنوعي براي پيش‌بيني تقاضاي جهاني گاز طبيعي

Development a Hybrid Computational Model Based on Artificial Neural Network to Predict Natural Gas Global Demand

از آنجا كه سيستم‌هاي انرژي رفتاري پيچيده از خود نشان مي‌دهند همواره مورد توجه پژوهشگران بوده‌اند. از سوي ديگر سياست‌گذاران حوزه انرژي به دنبال درك بهتر رفتار آتي متغيرهاي وابسته به سيستم‌هاي انرژي جهت بيشينه ساختن سود و احتمال موفقيت راهبردهايشان هستند. در اين مقاله، مسئلۀ تقاضاي جهاني گاز طبيعي بررسي شد و مدلي تركيبي بر پايۀ شبكۀ عصبي مصنوعي توسعه يافت. در مدل پيشنهادي، ابتدا ورودي‌هاي معمول پيش‌بيني تقاضاي انرژي مطالعه قرار شدند. براي تضمين در نظر گرفتن تمام ورودي‌هاي محتمل، روش بيشينه مدنظر قرار گرفت و با توجه به امكان دسترسي به دادۀ خام، تعداد زيادي متغير از جمله متغيرهاي منتخب مطالعات پيشين به‌عنوان ورودي مدل در نظر گرفته شد. با استفاده از ابزارهاي داده‌كاوي از 13 ورودي در دسترس، مجموعۀ 6 ورودي به‌عنوان نمايندۀ كل جمعيت شناسايي‌شده و مدل بر مبناي آن‌ها پياده‌سازي شد. سپس الگوريتم پيش‌بيني تركيبي هوشمندي طراحي شد، به‌نحوي‌كه از الگوريتم ژنتيك براي بهينه‌سازي و آموزش شبكۀ عصبي مصنوعي استفاده‌ گرديد. مطالعۀ خروجي‌ها نشان داد در مقايسه با مدل‌هاي پايه و موجود در مطالعات پيشين و با در نظر گرفتن پنج آمارۀ خطاي متفاوت، مدل پيشنهادي عملكرد بهتري نسبت به ساير مدل‌ها دارد.

Recently natural gas global market has attracted much attention since natural gas is much cleaner than oil and is also cheaper than renewable energy sources. However, price fluctuations, environmental concerns, technological developments, unconventional resources, energy security challenges, and shipment are some of the factors which have made energy market more dynamic and complex in the last decade. Studying the demand side behavior of natural gas market has been targeted by this research to focus on the plausible trends of global natural gas demands. This paper proposes a hybrid time series model which starts with data mining oriented techniques to detect input features and pre-processing data; then a neural network based prediction model is used to uncover global natural gas trends. Thirteen different features were studied, Yet six features were finally selected as the most relevant features: Alternative and Nuclear Energy, CO2 Emissions, GDP per Capita, Urban Population, Natural Gas Production, Oil Consumption. In the end, the proposed prediction model overcame other competitive models in regard to five different error-based evaluation statistics.